La fusión de datos se realiza generalmente antes de la clasificación para reducir el espacio de entrada. Estas técnicas de reducción de dimensionalidad ayudan a disminuir la complejidad del modelo de clasificación y, por lo tanto, mejorar el rendimiento de la clasificación. Los métodos supervisados tradicionales requieren muestras etiquetadas, y los datos de tráfico de red actuales en su mayoría no están etiquetados. Por lo tanto, se construirán mejores aprendices utilizando tanto datos etiquetados como no etiquetados, en lugar de usar cada uno por separado. En este artículo, se propone un nuevo enfoque de fusión de datos de tráfico de red basado en Fisher y un auto-codificador profundo (DFA-F-DAE) para reducir las dimensiones de los datos y la complejidad del cálculo. Los resultados experimentales muestran que el DFA-F-DAE mejora la capacidad de generalización de los tres algoritmos de clasificación (J48, red neuronal de retropropagación (BPNN) y máquina de soporte vectorial (SVM)) mediante la reducción de la dimensionalidad de los datos. Encontramos que el DFA-F-DAE mejora notablemente la eficiencia de la clasificación de grandes volúmenes de tráfico de red.